暗数据 - 这是指从车间收集的数据，这些数据仍未被触及或用于以任何方式提高制造产出。一般企业有90% 的数据集未被触及，制造业的设备也是如此。这一统计数字意味着，尽管数据收集解决方案的部署速度不断加快，但大部分采集到的数据集仍处于闲置状态。但事实并非如此。
要实现向智能工厂的模式转变，就必须将传统的工作流程自动化，并利用最先进的技术解决方案将暗数据投入使用。那些憧憬未来能让互联机器实时互动并采取准确行动的制造商必须明白，随着技术的不断进步，暗数据终将有其用武之地。
二十年前，由于收集振动数据等特定数据集的局限性，分析机器数据模式以预测故障几乎是不可能的。如今，从传统设备中收集机器数据所需的传感器和物联网设备只需几美元，而且可以在全球范围内使用。相反，利用数字孪生技术、应用程序接口或 IIoT 平台等技术从黑暗数据中获得洞察力将成为未来几年的常态，制造企业必须定位自己，以利用扩展的大数据分析能力。
大数据分析技术的加速发展将为制造商提供制定数据驱动战略的手段，从而重塑车间。使用案例包括
产能规划和布局优化
来自工厂车间的数据总是有故事可讲。这个故事可能是机器性能的提高，也可能是需求增加的影响。利用正确的分析工具可以勾勒出故事的轮廓和情节，并完成故事。有了准确的数据和正确的分析工具，制造商就能预测变化，并制定优化计划来应对预期变化。
产能规划为制造商提供了利用车间数据的机会。在这里，产能规划工具使用历史数据来确定波动的需求将如何影响可用资源，以及如何减轻运营挑战。产能规划还与布局优化息息相关，因为车间布置可以减少车间流量，提高运营绩效。
传统的产能规划工具，如制造企业系统或仿真建模软件，都具备改进产能规划的功能。正如 CKE Restaurant 的例子所示，利用数字孪生为产能规划带来了实时元素。
为了提高生产率，Hardees 和 Carl's Jr. 的母公司 CKE Restaurant 计划重新配置厨房布局并提高产能，以满足日益增长的客户需求。利用车间数据，CKE 制定了不同配置的拟议车间计划，以提高生产率。员工使用增强现实头盔成功地与数字环境进行了互动，以测试和确定拟议商店布局的最佳配置。
状态监测和预测性维护
从车间收集的数据最常见的应用是通过持续捕捉操作数据来跟踪机器和生产流程。状态监测使制造商能够检测故障线路，并需要进行广泛的分析。首先，物联网设备或传感器等数据收集技术跟踪机器运行情况，分析工具不断分析数据模式以检测异常情况。一般来说，检测到的异常情况会被精确定位或追踪到出错的机器部件，并采取相应措施。
状态监测也是制定预测性维护策略的先导。从状态监测部署中获取的数据将成为历史数据集，通过分析这些数据集可以发现预测未来设备故障的模式。预测性维护的一个例子是沃尔沃集团卡车公司部署了一个 IIoT 平台来跟踪和分析其卡车的数据。持续监控卡车性能率和车辆数据帮助沃尔沃制定了预测性维护战略，将诊断时间缩短了 70%。
支持工业 4.0 应用
实施工业 4.0 围绕着理解其核心业务理念。这些概念包括：数据驱动的工厂性能优化、预测性维护、验证和测试等。要成功采用其中任何一种业务模式，都需要大量的数据采集和分析能力。CKE Holding 的例子强调了使用数据分析工具来验证、测试和改进计划，沃尔沃的例子则展示了将数据分析作为状态监测工具。
各行业向工业 4.0 转型的动力来自于有助于数据采集和数据分析的数字化转型解决方案，但还可以做得更多。如今，65% 的暗数据仍隐藏在制造设备和流程中。成功采集或捕获这些数据集将为制造商提供更多的素材，以实现特定行业的目标。
结论
边缘计算的引入有望缓解从车间采集暗数据并将其投入使用所面临的挑战。同时利用边缘提供的分散式分析优势和数字孪生等集中式分析平台，将推动实现未来的 "熄灯 "工厂。